Pilot 1.3

Il diabete mellito di tipo 1 (T1D) è una malattia cronica caratterizzata da una carente produzione di insulina e che richiede la somministrazione quotidiana di questo ormone. La causa del T1D non è nota e al momento non è prevenibile. Anche se il T1D può essere diagnosticato a qualsiasi età, i picchi diagnostici si verificano solitamente tra i 5 e i 7 anni e durante la pubertà. Secondo l’International Diabetes Federation, il T1D colpisce più di 1,1 milioni di bambini e adolescenti. Lo studio di un sistema extracorporeo per il controllo del livello di glucosio nel sangue, il Pancreas Artificiale (AP), è iniziato nel 1970. Il Pancreas Artificiale è un sistema ad anello chiuso composto da un sistema di monitoraggio continuo del glucosio sottocutaneo (CGM), una pompa per insulina sottocutanea e un algoritmo di controllo progettato per regolare la concentrazione di glucosio in tempo reale tramite la somministrazione di insulina. L’algoritmo di controllo adatta la terapia in base allo stato in tempo reale del paziente. Le due sfide più critiche che l’AP affronta sono: 1) la variabilità intra-paziente: la glicemia fluttua in modo diverso sia intra-day che inter-day, a seconda di fattori eterogenei non direttamente misurabili (ad esempio, attività fisica, stile di vita) o a causa di effetti fisiologici ben noti, come i fenomeni dell’alba o le variazioni quotidiane della sensibilità all’insulina; 2) la variabilità inter-paziente: ogni paziente può avere caratteristiche peculiari a seconda delle sue comorbilità e delle sue abitudini. Queste variabilità sono particolarmente accentuate nelle popolazioni infantili e adolescenti. Uno degli approcci più promettenti applicati al problema del controllo del glucosio è il Model Predictive Control (MPC), che si basa sulle predizioni del glucosio ottenute attraverso un modello glucosio-insulina. La qualità delle predizioni influisce sulle prestazioni complessive della strategia di controllo. MPC necessita della conoscenza di un modello matematico del paziente per predire e controllare adeguatamente il livello di glucosio nel sangue. Tali modelli sono in generale difficili da ottenere e nella maggior parte dei casi non sono molto accurati. L’obiettivo del Pilot 3.1 è progettare algoritmi MPC per l’Artificial Pancreas basati sull’apprendimento da dati reali, che non necessitino di un modello esplicito del paziente, ma sfruttino i dati raccolti offline e online per comprendere le dinamiche del processo. Verranno esplorate diverse tecniche di machine learning, come Neural Network, Kinky Inference, Gaussian Processes, per raggiungere un algoritmo di controllo su misura per il paziente.